＊＊＊＊＊這是業配文＊＊＊＊＊

這次飛利浦保險櫃來找我們合作，我的經紀人Sloan問我，打算在裡面擺什麼？我不假思索就回答：裸照。

這是開玩笑的。不是說沒有拍過裸照，是拍的裸照不用放保險櫃。我覺得裸體是個很自然的事情，只是台灣的民情不能接受，可能會嚇到人，所以蘿蔔頭幫我拍的“寫真照”，在家裡要辦趴的時候，要收起來，主要是怕范媽看到會昏倒。是的，平常就放客廳。

所以保險櫃要放什麼呢？

我跟蘿蔔頭住旅館，很習慣用保險櫃。常常把懶得帶出門的護照，現金，有時連電腦都鎖進去。倒不是用的電腦多貴重，怕掉的是個資。但鎖得太好，也有問題。十多年前，那時蘿蔔頭沒來台灣幾次，對台灣還不熟，我特意選了個北投的溫泉旅館先住個幾天，再搬回市區。結果搬家的時候，把保險櫃裡的東西忘了，隔天才想起來。打到旅館一問，馬上找到。打掃人員已經把物件從保險櫃移出，一塊錢都沒少。我覺得沒什麼，蘿蔔頭卻對台灣人的”品德”讚不絕口，真的是美國土包子....還有一次，是鎖了以後，兩個人都忘了密碼，只好請旅館來開鎖。

至於家裡的保險櫃，對我來講，不是用來放很貴的東西，像珠寶之類的。我是拿來放重要的東西，不能掉的東西。

首先，就是我跟蘿蔔頭結婚時，爸媽送給我跟蘿蔔頭的一對手錶。我在美國結婚時，婚禮很小，只有十來個人。我就跟范爸范媽說不用來了，等回台灣再補辦就好。對我來講，不過就是個很簡單的儀式，不用勞師動眾，等回台灣你們愛怎麼搞怎麼搞，在美國，就依我的意思吧。但范媽堅持給我錢，要我去買一對名牌手錶，要我在婚禮時戴著，做為結婚禮物送給我們。我還記得那天婚禮結束後，在越洋電話上，爸媽都哭了，我跟蘿蔔頭也哭了。我那時就很後悔，自己太任性。爸媽應該是很想來的吧？總之，那對手錶，我沒戴過幾次，因我很粗魯，又會掉東掉西，這對手錶要掉了，我鐵定要去撞牆。

另一個是蘿蔔頭出生時，醫院給小貝比戴在手上的小手環，上面有六個小珠珠 ，一個珠珠一個字母，拼成蘿蔔頭的姓氏。這是怕小貝比抱錯，還是當時美國的習俗已不可考。蘿蔔頭來自很貧窮的背景，婆婆沒什麼值錢的東西傳下來，但這個小珠串，婆婆留了五十幾年，過世前兩三年，意識還清楚時，把它給了我。我現在每次看到這小珠串，就想起婆婆。

另外，就是我在美國幾次做調查報導時，有些內容，不能流出去。我甚至覺得放在網上都不妥當。但要毀掉，我又捨不得，這可是花了好大力氣才弄來的。每次看到時，我都會想到當時跑新聞的刺激及辛苦。幾次搬家，那些文件我都要自己背。我總想，也許那一天寫書什麼用得上？
保險櫃蠻美的，本來蘿蔔頭很擔心會破壞家裡裝飾的風格，但看到機器後，就不念了。內裝還是皮革的！看起來真的很氣派。

除了傳統的密碼之外，還可以指紋辨識的方式開鎖，不是像電影裡那種還在那邊左轉幾圈右轉幾圈，我最討厭那種鎖了。配的電池是日本銷售冠軍的全新跨界品類 － Panasonic EVOLTA 鈦元素電池，電力超持久，後來才發現這電池大有來頭。它的長效電力不但樹立了八項金氏世界紀錄，縱使在高溫高濕的極端環境下依然擁有絕佳抗漏液性，是 Panasonic 目前最高等級的電池，而且任何電器都適用！

保險櫃來了之後，我迫不急待就把這些東西擺進去。後來想想，好吧，把房契也擺進去好了。其實我覺得蠻silly的，房契掉了，再去補辦不就結了嗎？

現在換你來告訴我，如果你有個保險櫃，你會放什麼進去？

飛利浦保險櫃購買連結：https://www.ljtwm.com/

#飛利浦智能居家
#飛利浦保險櫃
#Panasonic鈦元素電池

AI 如何為公司創造更多價值？專家：2 個缺陷，要先由人類來修補

2021/05/13
採訪‧撰文
盧廷羲
張凱崴

美國人工智慧國家安全委員會（NSCAI）今年 4 月建議，國防部每年應至少分配 3.4% 的預算投入科技領域，並提撥 80 億美元研發 AI。企業方面，微軟（Microsoft）4 月宣布，將以 197 億美元收購語音辨識開發商紐安斯通訊（Nuance Communications）；後者是雲端與 AI 軟體的先驅。

從企業到國家，都愈來愈重視人工智慧，知道要想辦法運用 AI 創造更好的生活。不過，目前 AI 發展到底處於什麼階段？我們又該如何應用？

美國加州大學洛杉磯分校（UCLA）電腦科學系助理教授張凱崴形容，目前人工智慧技術已經可以幫助人類完成很多事，像是疫情來襲，電腦可以從大數據中篩選條件，自動搜尋、判讀潛在病例，幫助醫生大幅減少檢查時間，但 AI 也並非萬能，要先認知它的局限。他研究如何讓 AI 更符合人性，獲得 2021 年的史隆研究獎（Sloan Research Fellowships）。

AI 局限1. 資料寬廣度不足時，就會複製人類偏見

張凱崴認為，電腦在學習的時候，是依賴「彙整數據資料」來判斷，並沒有真正思考，如果資料來源太狹隘、不夠多元，資料寬廣度不足，電腦判斷就會出現偏差，「你跟電腦講清楚 input（輸入）、output（輸出），提供足夠的數據資料，它可以對應、學得很好，但還有很多面向 AI 做不到。」

舉例來說，亞馬遜（Amazon）2014 年推出智慧音箱（Amazon Echo），使用者口頭下指令給語音助理 Alexa 就能放音樂、查資訊。然而，有些人口音較罕見，或是用字較特殊，智慧音箱的資料庫沒有「不同口音」「不同用詞」的檔案，就可能失靈，這是當前 AI 的其中一大問題。

張凱崴進一步解釋，AI 另一項挑戰是，它無法清楚分辨「不曾出現」與「不能出現」（無法出現）之間的區別，只是從資料統計出要學的東西，無法像人類一樣進行邏輯思辨。

AI 的運作方式，第一步是輸入資料，第二步是分析，但這過程容易出現偏見。例如電腦在理解「總統」這個字，會去看四周有什麼字詞，來學習總統這個詞，由於許多總統都是男性，電腦就會「覺得」總統是男性。

這也是為什麼，如果讓 AI 學習，在它的認知裡，女性「不可能」當美國總統（因為沒有資料紀錄）。「你可以跟人類說，任何職業、性別都是平等的，但對電腦來講，這很困難，」張凱崴說明，一旦資料的寬廣度受限，電腦就容易產生偏見。

就像在自然語言處理（Natural Language Processing，讓電腦把輸入的語言變成有意義的符號）領域，張凱崴說明，AI需要知道代名詞指的是「哪個名詞」，才能運算下去。但如果資料受限，使用男性的「他」，電腦可能判斷這個代名詞是指總統、總理、執行長；但換成女性的「她」，由於數據不足，電腦就會混亂，出現系統性誤差。

他再舉一例，美國人工智慧研究組織 OpenAI 提出「生成式預先訓練」系統（GPT，Generative Pre-training），推出到 GPT3 版本，屬於書寫類 AI，電腦能夠揣測人們說完上一句話，下一句可能會講的句子，自動完成後半段。

好比有人上一句寫下「我正在和教授聊天」，系統可能推導出「我們在研究室討論學術問題」，因為電腦藉由蒐集來的語料資料中判讀出「教授」和「學術」具高度相關。但研究也顯示，GPT2（前一代版本）系統也從資料中學習到許多偏見，像是如果句子前半談論白人男性，系統傾向產生正面評價；如果句子前半是黑人女性，系統竟會產生負面句子。對企業來說，許多組織接觸 AI，想讓它們取代部分工作，首先需要留意資料的廣度、多元性，才能減少電腦犯錯的機會。

AI 局限2. 即便條件相同，也無法每次都做出正確判斷

「其實，現在的 AI 就像一台原型飛機，還缺乏穩定性。」張凱崴說，現行的 AI 就好比萊特兄弟（Wright brothers）剛發明飛機，看似可以做很多有趣的事，但「可以飛」跟「飛得很好」，有一大段落差。

紐西蘭的簽證系統曾鬧出笑話。人們上傳簽證照片，AI 掃描後，確認是不是本人，但當時系統沒有估算到某些亞洲人眼睛比較小，一名亞裔男子被判定「沒有張開眼睛」，因此照片無效。

張凱崴說，在這個例子中，凸顯出 AI 的穩定性不足，「系統沒有考慮到不同人種的差異，很死板地認為你眼睛沒張開。」所謂的缺乏穩定性，指的是 AI 沒辦法在相同條件下，每次都做出正確決策，這也是使用 AI 時，須留意的第二個挑戰。

他再舉例，許多模型可以準確分析，一則影評對電影的評價是正面或負面。然而研究顯示，有時只要將影評中一些字換成同義詞，例如把電影（movie）換成影片（film），或改寫句子，即使意思並未改變，系統卻把原本判斷為正面的影評標註成負面。這顯示AI系統還未真正了解語言的含義。

在設計這些程式時，人們必須注意到 AI 可能有局限，設定的資料範圍要更完整，考慮這些因素，就能減少偏見、落差，進而加強穩定性。

餵指令給 AI 要多元化，嘗試「換句話說」、刻意混淆

經理人雖然不一定具備 AI 方面的專業知識，但只要掌握觀念，再透過 AI 領域專才協助，也能優化系統。張凱崴指出，最直接的方法是，設計 AI 模型時，要把來源群組不同的資料分門別類測試，在測試階段讓群體多元化，並確保不同特色的使用者，用起來都沒有問題。

舉例來說，一套 A 系統擁有來自各地的使用者，如果設計者是台北人，設計系統的思維容易以台北生活為主，很可能因為當地習慣不同，導致花蓮使用者操作不順。

另一個方法，則是用不同的「語意」，去測試 AI 有沒有徹底學會一個概念。例如，有一套餐廳評鑑的 AI 系統，只要蒐集、整理使用者意見，就能判斷每個顧客對於餐廳的評比是高分或低分。那麼要如何確認這套系統的穩定性？張凱崴建議，可以利用「抽換詞面」的方法。

比如，把詞彙換成同義字，再看 AI 是否能運算出相同結果，「你可能會發現，原本評比結果是食物很美味，但如果美味換成比較困難的詞，AI 就會分不出這則評比是好是壞。」因此在訓練模型時，可以將詞彙隨機抽換成同義詞，增加 AI 的詞彙量。

第三種方式更進階：改變句型、重寫句子。張凱崴指出，同樣一句話，如果換成不同說法，電腦可能判讀錯誤，將「因為發生 A 事件，所以導致 B 事件」，改寫成「B 事件發生了，是因為 A 事件的緣故」，明明兩句話意思一樣，但 AI 很可能因為穩定性不足，搞混兩者的差別。如果要鞏固 AI 的穩定性，可以使用自動改寫的方式，增加資料的多樣性。

張凱崴表示，經過這些測試，讓 AI 接受更多元化的訓練，得到更廣的學習範圍，往後碰到同義詞、相似資訊，才能有效判讀。

張凱崴總結，AI 還在快速發展，或許可以創造更多工作機會、新的職位，但現行階段，它只是輔助角色。AI 並非魔術盒子，使用它就一定有更好結果，人們還是要保持高度耐心，先認識它的缺陷，才能在技術更迭下，發揮出最好的結果。

張凱崴

台灣大學資訊工程系碩士、美國伊利諾大學（UIUC）電腦科學博士。美國加州大學洛杉磯分校（UCLA）電腦科學系助理教授，研究領域包括人工智慧、機器學習、自然語言處理。2021 年獲得史隆研究獎（Sloan Research Fellowship），研究團隊開發的運算方法，使人類語言處理的程序更有效率、更多元，同時兼具公平性。

附圖：優化AI系統的3方法

資料來源：https://www.managertoday.com.tw/articles/view/62902?fbclid=IwAR2jI1bhg1anqct0AZZR_3LKKJqIsvG0wz2whSN8iniROZApHt-_qpD7dis

週末愉快 天氣熱多喝水 NBA再過七個禮拜就回歸了 夏天看冠軍賽今年是特別的人生經驗 很久以後我們回想喝一杯咖啡聊聊2020一定很有意思
WowLakers和天下第二第三人聊開了
真的是放鬆 打開podcast 開心過週末吧
所有的播客一定找得到 #WowLakers

youtube:
https://www.youtube.com/watch?v=iKdlrauuDGI

Podbean 大本營:
https://reurl.cc/GVlj0p

WowShow官網:
https://www.wowshow.fun/podcast/episode/2a1bcd00/060520-yuan-jerry-sloan-cream-pie-5g

Apple podcast:
https://reurl.cc/9EQv8a